Download (6Mb) - Politeknik Elektronika Negeri Surabaya
Download (6Mb) - Politeknik Elektronika Negeri Surabaya
Download (6Mb) - Politeknik Elektronika Negeri Surabaya
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
The 13 th Industrial Electronics Seminar 2011 (IES 2011)<br />
Electronic Engineering Polytechnic Institute of <strong>Surabaya</strong> (EEPIS), Indonesia, October 26, 2011<br />
Tracking Arah Gerakan Telunjuk Jari Berbasis Webcam<br />
Menggunakan Metode Optical Flow<br />
Ubaidillah Umar, Reni Soelistijorini, Haryadi Amran Darwito<br />
Jurusan Teknik Telekomunkasi - <strong>Politeknik</strong> <strong>Elektronika</strong> <strong>Negeri</strong> <strong>Surabaya</strong><br />
Institut Teknologi Sepuluh Nopember (ITS) <strong>Surabaya</strong><br />
Kampus PENS-ITS, Keputih, Sukolilo, <strong>Surabaya</strong>.<br />
Telp : +62+031+5947280; Fax. +62+031+5946011<br />
u64i@student.eepis-its.edu<br />
Abstrak<br />
Deteksi gerakan merupakan subyek penting<br />
dalam bidang computer vision yang digunakan oleh<br />
banyak sistem pada aplikasi video pengawas<br />
(Surveillance System), monitoring traffik, kompresi<br />
video, perhitungan kecepatan dan lain-lain.<br />
Gerakan adalah suatu pusat perhatian yang<br />
digunakan manusia ataupun hewan untuk mengenali<br />
suatu obyek dari suatu latar yang tidak teratur. Dalam<br />
aplikasi pencitraan, gerakan muncul dari perpindahan<br />
tempat antara sistem pendeteksi dan lingkungan yang<br />
sedang dilihat, seperti aplikasi robotika, navigasi<br />
otomatis, dan analisis lingkungan dinamis.<br />
Pada penelitian ini dijelaskan tentang deteksi<br />
gerakan dengan melakukan tracking arah gerakan<br />
telunjuk jari berbasis webcam dengan menggunakan<br />
Metode Optical Flow.<br />
Webcam terhubung dengan komputer server<br />
untuk melakukan proses capture kondisi ruangan atau<br />
pengambilan gambar dan disimpan dalam file .jpg<br />
pada periode waktu tertentu. Dengan menggunakan<br />
metode Optical Flow, webcam akan mendeteksi dan<br />
mentracking jika ada arah gerakan telunjuk jari.<br />
Berdasarkan hasil penelitian, dari 120 percobaan<br />
yang telah dilakukan 117 diantaranya dinyatakan baik<br />
sehingga dapat diambil nilai keberhasilan penelitian<br />
sebesar 97,5%.<br />
Kata Kunci : tracking, metode Optical Flow,<br />
webcam, telunjuk jari.<br />
1. Pendahuluan<br />
Seiring perkembangan jaman, teknologi<br />
komputer mengalami kemajuan yang sangat pesat.<br />
Perkembangan ini mendorong berkembangnya<br />
teknologi computer vision dan image processing yang<br />
tidak hanya memungkinkan komputer untuk dapat<br />
melakukan proses filtering pada citra (gambar) digital,<br />
namun juga untuk mengenali citra tersebut. Salah satu<br />
contohnya adalah dibidang interaksi manusia dengan<br />
komputer<br />
Teknik interaksi berbasis visi komputer<br />
menjadi kandidat teknik interaksi yang bersifat alami.<br />
Teknik ini tidak membutuhkan kontak langsung<br />
pengguna dengan peralatan input, melainkan komputer<br />
menangkap gerakan pengguna melalui kamera video<br />
dan menginterpretasikannya. Input secara visual dapat<br />
memberikan kemampuan penginderaan pada komputer<br />
sebagaimana manusia melakukan penginderaan<br />
menggunakan mata. Interaksi antar manusia secara<br />
alami tidak membutuhkan mouse atau keyboard,<br />
melainkan diantaranya menggunakan tangan, mata,<br />
dan telinga untuk mendapatkan informasi dari<br />
lingkungan.<br />
Interaksi manusia dengan komputer merupakan<br />
salah satu bidang penelitian yang banyak dilakukan,<br />
bahkan hingga saat ini karena memiliki berbagai<br />
aplikasi. Dibidang ini, pengambilan data dengan<br />
menggunakan kamera dapat digunakan sebagai proses<br />
input data. Beragam gerakan manusia, baik anggota<br />
badan yang melakukan gerakan ataupun pose yang<br />
dihasilkan, dapat diinterpretasikan terhadap beragam<br />
makna. Salah satu alternatif anggota badan manusia<br />
yang dapat digerakan untuk menghasilkan beragam<br />
pose adalah telunjuk jari. Metode Optical Flow<br />
mampu mengetahui pergerakan objek ketika ada objek<br />
yang bergerak (berpindah tempat). Hal ini berbeda<br />
dengan computer vision, dimana hasil perekaman alat<br />
optik (kamera) tidak dapat langsung diterjemahkan,<br />
didefinisikan dan dikenali oleh komputer atau sistem<br />
visual robot. Computer vision membutuhkan proses<br />
pengolahan (image processing) terlebih dahulu, seperti<br />
segmentasi, labelisasi, filterisasi, dan deteksi objek<br />
Beberapa penelitian telah dilakukan berkaitan<br />
dengan deteksi gerakan manusia dengan implementasi<br />
pada beragam aplikasi diantaranya penelitian yang<br />
pernah dilakukan tahun 2010 oleh Achmad Zaini [1]<br />
pada proyek akhirnya dengan judul Implementasi<br />
video surveillance untuk Sistem keamanan rumah<br />
berbasis JMF dan J2ME<br />
CCTV terhubung dengan komputer server<br />
untuk melakukan proses capture kondisi ruangan pada<br />
periode tertentu dimana setelah kamera CCTV<br />
mendeteksi adanya gerakan komputer server akan<br />
menghubungi handphone client melalui komunikasi<br />
serial yang kemudian handphone client yang didukung<br />
teknologi Java dan GPRS berfungsi untuk mengakses<br />
hasil capture ruangan. Dalam mendeteksi gerakan<br />
yang terjadi pada penelitian ini menggunakan metode<br />
yang sederhana yaitu metode thresholding hasil<br />
deteksi tepi dengan mencari beda antara dua citra yang<br />
berurutan pada hasil pencitraan.<br />
ISBN: 978-979-8689-14-7 249
Image, Acoustic, Speech and Signal Processing Technologies and Applications<br />
2. Optical Flow<br />
2.1 Gambaran Optical Flow<br />
Optical Flow adalah perkiraan gerakan suatu<br />
bagian dari sebuah citra berdasarkan turunan intensitas<br />
cahayanya pada sebuah sekuen citra. Pada ruang 2D<br />
hal ini berarti seberapa jauh suatu piksel citra<br />
berpindah diantra dua frame citra yang berurutan.<br />
Sedangkan pada ruang 3D hal ini berarti seberapa jauh<br />
suatu volume piksel (voxel) berpindah pada dua<br />
volume yang berurutan. Perhitungan turunan dilakukan<br />
berdasarkan perubahan intensitas cahaya pada kedua<br />
frame citra maupun volume. Perubahan intensitas<br />
cahaya pada suatu bagian citra dapat disebabkan oleh<br />
gerakan yang dilakukan oleh obyek, gerakan sumber<br />
cahaya, ataupun perubahan sudut pandang.<br />
2.2 Algoritma Lucas-Kanade<br />
Algoritma Lucas-Kanade, pertama kali<br />
diajukan pada tahun 1981, awalnya adalah sebuah<br />
usaha untuk mencari teknik registrasi citra yang cepat<br />
dengan memanfaatkan gradient intensitas spasial.<br />
Pada perkembangannya, algoritma ini kemudian<br />
menjadi salah satu algoritma optical flow yang<br />
penting. Berbeda dengan algoritma Horn-Schunk yang<br />
bekerja berbasis pada keseluruhan citra, algoritma ini<br />
bekerja berdasar pada informasi lokal yang diturunkan<br />
dari window kecil (patch) disekeliling titik yang<br />
diperhitungkan. Kelemahan digunakan window lokal<br />
kecil pada algorima Lucas-Kanade adalah tidak<br />
terdeteksinya gerakan-gerakan yang besar karena<br />
gerakan-gerakan tersebut jatuh diluar window.<br />
Permasalahan ini kemudian dapat diatasi dengan<br />
mengimplementasikan penyelesaian dengan prinsip<br />
piramida, yaitu pyramidal Lucas-Kanade. Prinsip ini<br />
merupakan penyelesaian berdasar iterasi dari level<br />
detil citra paling rendah hingga level detil citra paling<br />
tinggi.<br />
2.3 Pyramidal Lucas-Kanade<br />
Penyelesaian algoritma Lucas-Kanade dengan<br />
pendekatan piramida, atau disebut Pyramidal Lucas-<br />
Kanade diajukan pertama kali oleh Jean-Yves Bouguet<br />
(Bouguet, 2000). Pendekatan ini menggunakan prinsip<br />
piramida, yaitu bekerja dari detil citra paling rendah<br />
hingga detil citra paling tinggi (Gambar 1). Tujuannya<br />
adalah agar gerakan yang “besar” dapat<br />
diperhitungkan. Sementara asumsi yang digunakan<br />
pada algoritma Lucas-Kanade adalah gerakan yang<br />
“kecil” dan koheren, sehingga tidak dapat menangkap<br />
gerakan yang “besar”. Solusi untuk dapat menangkap<br />
gerakan yang “besar” pada algoritma Lucas-Kanade<br />
adalah dengan menggunakan window yang besar.<br />
Tetapi penggunaan window yang besar sering kali<br />
membuat gerakan yang ditangkap adalah gerakan yang<br />
tidak koheren. Algoritma Pyramidal Lucas-Kanade<br />
menyelesaikan permasalahan tersebut tanpa<br />
menghilangkan asumsi gerakan yang koheren.<br />
Gambar 1. Pyramidal optical flow<br />
Algoritma Pyramidal Lucas-Kanade pertama<br />
bekerja pada layer piramida paling tinggi. Kemudian<br />
hasilnya digunakan sebagai titik awal untuk bekerja<br />
pada layer dibawahnya. Hal ini berlanjut hingga<br />
mencapai level paling rendah.<br />
3. Metode Penelitian<br />
Langkah-langkah yang dilakukan dalam<br />
penelitian ini secara umum dapat dibagi menjadi dua<br />
kegiatan utama, yaitu pengambilan data, dan<br />
pengolahan data. Pengambilan data adalah pekerjaan<br />
yang dilakukan pertama kali. Hasilnya adalah sekuen<br />
image gerak tangan. Sekuen image tersebt kemudian<br />
menjadi input bagi proses pengolahan data. Alur<br />
pekerjaan diperlihatkan pada gambar 2.<br />
Gambar 2. Blok Diagram Perancanaan Program<br />
3.1 Pengambilan data<br />
Untuk tahap pengambilan data webcam akan<br />
menerima perintah dari program untuk melakukan<br />
capture obyek secara kontinyu kemudian disimpan ke<br />
dalam server. Gambar atau image yang disimpan<br />
haruslah memenuhi persyaratan yang telah ditentukan.<br />
Adapun gambar disimpan dalam type BMP. Dan<br />
250
Image, Acoustic, Speech and Signal Processing Technologies and Applications<br />
gambar yang disimpan tersebut adalah gambar<br />
berwarna (true color) karena metode yang digunakan<br />
untuk mencari daerah warna merah adalah metode<br />
color detection dimana metode ini bertujuan untuk<br />
mendeteksi lokasi warna dari gambar dengan<br />
membuang seluruh bagian dari gambar yang tidak<br />
memiliki warna merah.<br />
Pada saat pengambilan data, telunjuk jari<br />
didepan kamera dengan (Gambar 3). Gerakan yang<br />
dibuat meliputi gerakan ke kiri, gerakan ke kanan,<br />
gerakan ke atas dan gerakan ke bawah. Pengujian<br />
dilakukan pada keadaan intensitas cahaya dan kondisi<br />
obyek yang berbeda – beda.<br />
Gambar 4. Flowchart fungsi deteksi warna merah<br />
Sebenarnya tetapan ini tidak harus mutlak bernilai 25<br />
melainkan ketetapan ini diambil dari hasil percobaan<br />
dengan sampel yang telah kita buat sebelumnya. Dan<br />
angka 25 tersebut adalah nilai yang dianggap tepat<br />
untuk mewakili batas antara warna merah dan bukan.<br />
Gambar 5 menggambarkan hasil proses deteksi warna.<br />
Gambar 3. Situasi Pengambilan Data<br />
3.2 Pengolahan Gambar<br />
Dalam tahap ini dibuat sebuah program untuk<br />
melakukan tracking terhadap telunjuk jari tangan.<br />
Metode tracking yang digunakan berbasis optical<br />
flow. Proses tracking diawali dengan identifikasi<br />
warna merah yang kemudian deteksi masing-masing<br />
tepi obyek dan deteksi arah pergerakan telunjuk jari.<br />
3.2.1 Deteksi Warna Merah<br />
Dalam tahap ini dibuat sebuah program untuk<br />
melakukan pendeteksian warna merah dengan<br />
menggunakan metode color detection dimana metode<br />
ini bertujuan untuk mengetahui piksel mana yang<br />
termasuk piksel warna merah dan mana piksel yang<br />
bukan piksel warna merah. Tahap ini adalah tahap<br />
dimana kita harus mencari daerah yang memiliki<br />
warna merah. Untuk mendapatkan daerah ini kita<br />
harus melakukan proses untuk mencari daerah warna<br />
merah dan memproses sampel untuk warna merah.<br />
Untuk memisahkan warna merah dari warna<br />
lainnya, dilakukan pengkondisian/thresholding pada<br />
nilai Cr dengan nilai threshold sebesar 25, proses ini<br />
digambarkan seperti pada gambar 4. Jika nilai Cr lebih<br />
besar daripada 25, maka warna tersebut merupakan<br />
warna merah. Jika tidak, maka warna tersebut bukan<br />
warna merah dan akan diganti dengan warna putih.<br />
Operasi tersebut dilakukan terhadap setiap piksel pada<br />
gambar.<br />
Gambar 5 Warna merah dan bukan warna merah<br />
3.2.2 Deteksi sisi lokasi obyek<br />
Pendeteksian sisi lokasi obyek merupakan<br />
tahapan dalam mencari nilai masing-masing sisi obyek<br />
seperti sisi kiri, atas, kanan dan bawah obyek. Obyek<br />
yang digunakan sebagai masukan (input) adalah<br />
gambar hasil deteksi warna merah, sehingga apabila<br />
proses deteksi warna merah gagal, maka dapat<br />
dipastikan bahwa proses deteksi tepi obyek ini akan<br />
gagal pula.<br />
Proses deteksi lokasi tepi obyek dilakukan<br />
dengan menelusuri nilai pada masing-masing sisi<br />
obyek, sehingga akan didapat lokasi dari batas kiri,<br />
atas, dan kanan obyek seperti pada gambar 6.<br />
251
Image, Acoustic, Speech and Signal Processing Technologies and Applications<br />
Gambar 9 memperlihatkan beberapa frame dari sekuen<br />
image tersebut.<br />
Gambar 6. Pencarian nilai sisi kiri, kanan, atas dan bawah<br />
obyek<br />
Untuk membedakan antara noise dan obyek,<br />
dilakukan pengkondisian/thresholding pada nilai<br />
masing-masing sisi obyek sebesar >=30. Jika nilai sisi<br />
obyek lebih besar daripada 30, maka warna tersebut<br />
merupakan obyek. Jika tidak, maka warna tersebut<br />
bukan obyek atau noise seperti yang diperlihatkan<br />
pada alur gambar 7.<br />
Gambar 9. Beberapa Frame Sekuen Image Gerak Tangan<br />
4.2 Deteksi warna merah<br />
Deteksi warna merah bertujuan untuk<br />
mengetahui piksel mana yang termasuk piksel warna<br />
merah dan mana piksel yang bukan piksel warna<br />
merah<br />
Perco<br />
baan<br />
Tabel 1. Deteksi Warna Merah<br />
Berhasil Tidak Berhasil<br />
Kr Kn At Bw Kr Kn At Bw<br />
JP<br />
1 9 9 10 10 1 1 0 0 40<br />
2 9 10 10 10 1 0 0 0 40<br />
Gambar 7 Memisahkan antara obyek dan noise<br />
Setelah sisi obyek sebelah kanan, kiri, atas<br />
dan bawah obyek dapat terdeteksi maka akan<br />
diperlihatkan hasil deteksi lokasi obyek seperti pada<br />
gambar 8.<br />
Gambar 8 Deteksi sisi lokasi obyek<br />
4. Hasil dan Pembahasan<br />
4.1 Pengambilan data<br />
Output dari proses pengambilan data adalah<br />
sekuen image gerakan telunjuk jari. Gerakan yang<br />
dilakukan tangan meliputi gerakan ke atas, ke bawah,<br />
ke kiri dan ke kanan. Gerakan dilakukan dengan<br />
telunjuk jari menghadap kamera (frontal view).<br />
3 8 9 8 10 2 1 2 0 40<br />
Jumlah 120<br />
Keterangan :<br />
Kr=Kiri, Kn=Kanan, At=Atas, Bw=Bawah dan<br />
JP=Jumlah Percobaan<br />
Tabel 1. menunjukkan hasil dari deteksi<br />
warna untuk beberapa percobaan pada waktu yang<br />
berbeda-beda. Deteksi warna merah dikatakan baik<br />
apabila dapat dibedakannya antara piksel yang<br />
termasuk warna merah dengan piksel yang bukan<br />
piksel warna merah sedangkan hasil dikatakan tidak<br />
baik apabila tidak dapat dibedakannya antara piksel<br />
yang termasuk warna merah dengan piksel yang<br />
menghasilkan warna merah yang terbuang atau bahkan<br />
tidak terdeteksi sama sekali.<br />
Berdasarkan hasil percobaan terlihat dari 120<br />
percobaan yang telah dilakukan 113 diantaranya<br />
dinyatakan baik dan 8 dinyatakan tidak baik sehingga<br />
dapat diambil nilai keberhasilan sebesar 93,3%. Hasil<br />
deteksi yang tidak baik diakibatkan oleh pencahayaan<br />
pada waktu pengambilan gambar yang dapat<br />
mempengaruhi hasil deteksi warna merah.<br />
252
Image, Acoustic, Speech and Signal Processing Technologies and Applications<br />
4.3 Deteksi lokasi sisi obyek<br />
Pendeteksian lokasi sisi obyek merupakan<br />
tahapan dalam mencari nilai masing-masing sisi obyek<br />
seperti sisi kiri, atas, kanan dan bawah obyek<br />
Perco<br />
baan<br />
Tabel 2. Deteksi sisi lokasi obyek<br />
Berhasil<br />
Tidak Berhasil<br />
Kr Kn At Bw Kr Kn At Bw<br />
1 10 10 10 10 0 0 0 0 40<br />
2 10 10 10 10 0 0 0 0 40<br />
3 9 9 9 10 1 1 1 0 40<br />
JP<br />
Jumlah 120<br />
Keterangan :<br />
Kr=Kiri, Kn=Kanan, At=Atas, Bw=Bawah dan<br />
JP=Jumlah Percobaan<br />
Dari tabel 2. menunjukkan hasil dari deteksi<br />
lokasi sisi obyek. Deteksi lokasi obyek dikatakan baik<br />
apabila semua nilai sisi kiri, kanan, atas dan bawah<br />
obyek dapat dicari nilainya sedangkan deteksi lokasi<br />
obyek dikatakan tidak baik apabil ada salah satu atau<br />
bahkan nilai dari masing-masing sisi obyek tidak<br />
terdeteksi.<br />
Berdasarkan hasil percobaan terlihat dari 120<br />
percobaan yang telah dilakukan 117 diantaranya<br />
dinyatakan baik sehingga dapat diambil nilai<br />
keberhasilan sebesar 97,5% sedangkan 3 diantaranya<br />
dinyatakan tidak baik, hal ini dikarenakan deteksi<br />
warna merah pada waktu pengambilan gambar<br />
mempengaruhi hasil deteksi lokasi dimana ketika<br />
piksel warna merah yang terdeteksi kurang dari 30<br />
maka warna merah ini dianggap sebagai noise<br />
sehingga tidak terdeteksi sebagai obyek.<br />
4.4 Deteksi gerakan menjauh dari kamera<br />
Pada pendeteksian lokasi sisi obyek ini<br />
dilakukan pendeteksian terhadap sisi kiri, kanan, atas<br />
dan bawah obyek dengan gerakan yang dilakukan<br />
semakin menjauhi kamera.<br />
Perco<br />
baan<br />
Tabel 3. Deteksi sisi lokasi obyek gerakan menjauh<br />
Arah<br />
Gerakan<br />
1 Kiri<br />
2 Kanan<br />
Nilai<br />
Hasil<br />
deteksi/jumlah<br />
47 Baik<br />
45 Baik<br />
41 Baik<br />
31 Baik<br />
Image, Acoustic, Speech and Signal Processing Technologies and Applications<br />
5. Kesimpulan<br />
Berdasarkan hasil penelitian yang telah<br />
dilakukan, maka dapat dibuat beberapa kesimpulan<br />
sebagai berikut :<br />
1. Untuk membedakan antara noise dan obyek,<br />
dilakukan pengkondisian/thresholding berupa<br />
nilai minimal untuk dikatakan sebagai obyek.<br />
2. Obyek dapat terdeteksi ketika nilai piksel<br />
warna merah yang terdeteksi kurang dari 31<br />
untuk arah ke kanan dan ke kiri, kemudian 50<br />
untuk arah ke atas dan 102 untuk arah ke<br />
bawah.<br />
3. Dari 120 percobaan yang telah dilakukan 117<br />
diantaranya dinyatakan baik sehingga dapat<br />
diambil nilai keberhasilan deteksi gerakan<br />
sebesar 97,5%.<br />
4. Kelanjutan dari penelitian ini akan bisa<br />
dikembangkan untuk tracking obyek bergerak<br />
seperti Aplikasi realtime object tracking.<br />
Gambar 10. Flowchart deteksi arah gerakan telunjuk jari<br />
Berdasarkan hasil percobaan, keberhasilan<br />
pendeteksian arah gerakan sangat dipengaruhi oleh hasil<br />
deteksi lokasi obyek. Bila deteksi obyek berhasil maka dapat<br />
dipastikan 100% deteksi arah gerakan akan menunjukkan<br />
arah gerakan yang benar. Sehingga dari 120 percobaan yang<br />
telah dilakukan didapatkan nilai keberhasilan pendeteksian<br />
arah gerakan sebesar 97,5%.<br />
Gambar 11. Hasil deteksi arah gerakan telunjuk jari,<br />
(a) sisi kiri obyek, (b) sisi kanan obyek, (c) sisi atas obyek,<br />
(d) sisi bawah obyek, (e) obyek yang bergerak ke kiri,<br />
dan (f) output.<br />
Daftar Pustaka :<br />
[1] Zaini, A., "Implementasi vide surveillance untuk<br />
keamanan rumah berbasis JMF dan J2ME",<br />
Proyek Akhir PENS-ITS, 2009.<br />
[2] Mahtarami, .A, " Tracking gerak tangan Berbasis<br />
pyramidal lucas-kanade", URL: http://<br />
digilib.its.ac.id/public/ITS-Undergraduate10509-<br />
Paper.pdf, 2010.<br />
[3] Ramadijanti, N,. “Color detection ”, URL :<br />
http://lecturer.eepisits.edu/~nana/index_files/mat<br />
eri/ Prak_Citra/ Prak9ColorDetection.pdf, 2010.<br />
[4] Amalia, Rizky., " Menilai kepribadian seseorang<br />
melalui Wajah", Proyek Akhir PENS-ITS, 2006.<br />
[5] Baron, J.L., dan Thacker, N.A., “Tutorial:<br />
Computing 2D and 3D optical flow”, Tina<br />
Memo Internal No. 2004-12, Manchester, UK.<br />
1995.<br />
[6] Bouguet, J.Y., ”Pyramidal Implementation of The<br />
Lucas-Kanade Feature Tracker”, Intel. 2000.<br />
[7] Lu, N. , G., et. al, “An Improved motion<br />
Detection Method for Real-Time Surveillance”<br />
International Journal of Computer Science, 35:1,<br />
IJCS_35_1_16, 2008.<br />
[9] Catalano, G., et. al., “optical flow”, URL :<br />
http://www.cvmt.dk/education/teaching/f09/VGI<br />
S8/AIP/opticalFlow.pdf, 2009.<br />
[10] Aleix M. Martinez “optical flow”, URL:<br />
http://www.ece.osu.edu/ ~aleix/OpticalFlow.pdf,<br />
2003.<br />
254